本文提出了一种新的非线性 ICA 框架,该框架无需手动分割数据,而是结合了隐马尔可夫模型来实现非监督地学习和动态建模,同时证明了该模型的可辨识性。
Jun, 2020
提出了一种基于辅助变量增广数据的非线性 ICA 的泛化框架,通过对真实的增广数据和随机化辅助变量的模拟数据进行判别式学习,实现了该框架的计算机实现,并证明了该模型的可识别性和一致性。
May, 2018
最近,非线性独立成分分析(nonlinear ICA)已经成为深度表示学习和特征解缠中许多启发式模型的热门替代方法之一。本文介绍了一种新的非线性 ICA 框架,采用适用于具有高维度依赖结构的数据的 $t$-process (TP) 潜在成分。我们发展了一种新的学习和推理算法,将变分推断方法扩展到将深度神经网络混合函数与 TP 先验结合起来,并采用诱导点的方法以提高计算效率。在理论方面,我们证明了这些 TP 独立成分在非常普遍的条件下是可识别的。此外,高斯过程(GP)非线性 ICA 被建立为 TP 非线性 ICA 模型的极限,并且我们证明了该 GP 极限下潜在成分的可识别性更受限制。也就是说,只有当这些成分具有不同的协方差核时,它们才是可识别的。我们的算法和可识别性定理在模拟空间数据和真实的时空数据上进行了探索。
Nov, 2023
本文对基于对比学习的非线性独立分量分析进行了有限样本识别能力分析,该分析框架聚合了 GCL loss 函数的特性,统计概括分析和数值微分,并考虑到学习函数的逼近误差。
Jun, 2022
通过在混合过程中添加约束条件(如结构稀疏性),我们在不需要辅助变量的情况下,实现了非线性 ICA 的非平凡可识别性。
研究非线性关系下的因果发现问题,提出基于非线性独立成分分析的方法,通过一系列独立性检验来推断具有双边因果关系的变量之间的因果方向,并扩展到多变量因果发现,最终通过神经成像数据证明该方法的有效性。
Apr, 2019
在非平稳环境中,本研究通过探索具有时间延迟因果关系的过程下的马尔可夫假设,表明在温和条件下,可以从非线性混合中恢复独立的潜在成分,而无需观察辅助变量。我们还提出了 NCTRL,一种基于原则的估计框架,仅通过测量的序列数据重建时间延迟的潜在因果变量并确定它们之间的关系。经验评估表明,我们的方法可可靠地识别时间延迟的潜在因果影响,并在很大程度上胜过无法充分利用非平稳性并因此无法区分分布变化的现有基线方法。
Oct, 2023
无监督学习与对比学习相结合的时间对比学习方法(STCL)基于谱分析来构建损失函数,利用示例数据的线性探测表现来评估图的谱特性。
Dec, 2023
通过对抗目标来优化难以直接估计和优化的统计依赖度量,可以更容易地学习独立特征并解决 ICA 问题。
Oct, 2017
非线性独立分量分析的可辨识性在结构稀疏性、不完备性、灵活分组结构等限制条件下得到了一系列新的可辨识性结果,支持实验证据在合成和真实数据集上。